¿Qué es Marketing Mix Modeling (MMM) y por qué es crucial para tu estrategia de marketing?

Uno de los mayores desafíos del marketing digital es el problema de la atribución. Según las célebres palabras de John Wanamaker, "La mitad del dinero que me gasto en publicidad es un desperdicio: el problema es que no sé qué mitad es". El Marketing Mix Modeling (MMM) ofrece una solución a este problema aplicando un enfoque analítico.

El Marketing Mix Modeling, también conocido como MMM, se ha convertido en una herramienta esencial en el mundo del análisis y la optimización de la inversión publicitaria. Dentro de la planificación estratégica de campañas de publicidad y marketing, una de las tareas que más desafíos conlleva es la de saber cuándo dichas campañas están alcanzando los objetivos deseados, como pudiera ser, el conseguir más clientes o la venta de un determinado servicio o producto.

El Marketing Mix Modeling es un proceso que implica analizar diversas variables, como el gasto en publicidad, las ventas, el precio del producto, las promociones y otros factores relevantes, con el fin de entender cómo cada uno de ellos influye en el desempeño general de una campaña de marketing. Esta técnica utiliza datos históricos para crear un modelo estadístico que revela patrones y relaciones entre estas variables, proporcionando una visión profunda del rendimiento de la inversión publicitaria.

¿Cómo funciona el Marketing Mix Modeling?

El Marketing Mix Modelling usa datos históricos y técnicas de regresión para averiguar cuál es la contribución de cada canal a los KPI. Para ello, es necesario identificar las variaciones de gasto en ese canal y las variaciones correspondiente en el KPI. El Marketing Mix Modelling examina las variaciones de múltiples elementos en una sola variable dependiente. El nivel de detalle de los datos determinará el nivel de detalle de los resultados.

Para generar la fórmula que nos ayudará a hacer el cálculo podemos usar simulaciones, donde el coste por cada canal de marketing será variado, múltipes escenarios serán generados y dependerán de los resultados; así se derivará una estrategia de marketing efectiva.

Aquí "ventas" representa el volumen de ventas, el "canal 1" y "canal 2" son canales de marketing diferentes, "β_0" representa las ventas base, que es el volumen de ventas, en ausencia de campañas de marketing debido a la demanda natural, la fidelización y el conocimiento de marca.

Para poder aplicar con éxito este modelo de marketing y ventas, tenemos que partir de los datos adecuados. Es necesario tener en cuenta que las métricas de una empresa, como ventas, visitas a la web o adquisición de clientes, están determinadas por factores externos como la estacionalidad o los altibajos económicos.

No todas las acciones de marketing tienen un efecto inmediato. La mayoría de los consumidores atraviesan una fase de consideración o toma de decisiones. El resultado de este proceso es que hay un lapso temporal entre el lanzamiento de una campaña de marketing y el KPI registrado (visita, compra, registro de usuario, etc.). La fase de consideración es más o menos larga en función del producto a comprar: no es lo mismo un pintalabios que un coche nuevo, por ejemplo.

Así mismo, es probable que el periodo de tiempo transcurrido entre la exposición y la decisión sea diferente en distintos canales. Si una inversión tiene un rendimiento decreciente, esto significa que el primer euro obtendrá mejores resultados que el segundo, el segundo mejores que el tercero y así sucesivamente, hasta que se alcanza un nivel máximo.

Ventajas del Marketing Mix Modeling

El Marketing Mix Modeling tiene muchas ventajas, como ofrecer una visión integral de la contribución de cada componente del marketing en el éxito global de la empresa. Asimismo, el Marketing Mix Modeling es una herramienta especialmente útil en un contexto donde la publicidad se desarrolla en múltiples canales, como televisión, radio, medios impresos, marketing digital y redes sociales.

Otra razón por la cual el Marketing Mix Modeling es crucial para las empresas es que les permite tomar decisiones informadas y basadas en datos concretos. Además, el Marketing Mix Modeling es un proceso que no solo beneficia a las grandes corporaciones con abundantes recursos.

Supongamos que ya cuentas con datos de calidad suficiente para aplicar el Marketing Mix Modelling. ¿Qué tipo de resultados puedes obtener? Los gráficos de contribución nos permiten ver fácilmente cuáles son los canales que están contribuyendo al crecimiento de nuestra empresa. Básicamente, lo que hacemos es traducir los resultados del Marketing Mix Modeling a un modelo visual que nos permita ver la contribución de diferentes canales a los ingresos globales.

La manera más fácil de verlo es representar gráficamente los rendimientos de cada uno de nuestros canales, para ver cómo de pronunciada es la curva y en qué momento alcanzamos el punto de saturación con cada uno de ellos. Juntos, los gráficos de contribución y los de rendimientos decrecientes nos permiten saber qué canales ofrecen mayor ROI y en cuáles deberíamos invertir más o menos para maximizar los beneficios.

Siempre debemos tomarnos las predicciones de futuro con cierta precaución, ya que en realidad no sabemos lo que va a suceder. Para obtener el máximo rendimiento a esta información, podemos diseñar diferentes escenarios de inversión y aplicar el Marketing Mix Modelling para ver los resultados. Y por supuesto, podemos simplificar esta tarea creando un algoritmo automatizado y personalizado en función de la situación única de nuestra empresa, que nos evite tener que calcular "a mano" diferentes escenarios y nos ayude a optimizar al máximo la inversión en cada canal.

Limitaciones y desafíos del MMM

Por supuesto, como en toda metodología analítica, es crucial abordar ciertas limitaciones y desafíos al aplicar el Marketing Mix Modeling. La obtención de datos precisos y completos puede ser un reto, especialmente en un entorno donde la recopilación y análisis de información de múltiples fuentes puede ser complicado. Asimismo, algunos factores externos, como cambios en las condiciones económicas o la competencia, pueden afectar el rendimiento de la inversión publicitaria y no siempre son fáciles de anticipar o controlar.

Dificultades en la implementación:

• Dificultad en la obtención de datos: El proceso para implementar el Marketing Mix Modeling va mucho más allá que instalar Analytics o utilizar UTM’s. Deberás conseguir un histórico de datos (cuanto más antiguo mejor) de toda actividad que pueda tener impacto en tus ventas. Con que haya una de estas variables que no esté correctamente implementada, incluso si solo hay un periodo en que los datos estén alterados de alguna semana suelta, saldrá el modelo entero.
• Dificultad de encontrar el modelo adecuado: En la mayoría de casos, vamos a tener muchos problemas para encontrar el modelo correcto. Cada negocio es un caso. En algunos, nos saldrá mejor un modelo con datos semanales. Otros, con datos diarios. Otros nos saldrán bien con los datos segmentados al máximo, y en otros unificado. A veces deberemos calibrar la herramienta durante semanas para que pueda ir aprendiendo del modelo, hasta conseguir el modelo óptimo.
• Dificultad con ‘Budgets Allocators’: Para que la herramienta de Marketing Modelling Mix nos coloque a la perfección nuestro presupuesto, deberemos tener los rendimientos decrecientes muy analizados y ajustados por la herramienta. Así como saber cuanto tarda en causar efecto la inversión.

Componentes de un modelo MMM

Los modelos MMM pretenden explicar el peso y la influencia de los distintos factores que intervienen en la evolución de una curva de ventas. Los modelos MMM se basan en series temporales: toman como variable a explicar la curva de ventas de una empresa, y la explican a través del impacto de las diferentes palancas de marketing.

Variables explicativas

Las variables explicativas (inputs del modelo) tienen que tener la misma secuencia y capilaridad que el output que se pretende explicar. Por otro lado, el modelo tiene que incluir todas aquellas variables que tengan un potencial efecto en la curva de ventas. Lo que está, explica -y lo que no está, no explica.

¿Qué tipos de variables se incluyen en un modelo MMM?

• Variables Push Paid Media: Las variables Push Paid Media (Canales de pago) corresponden a la inversión realizada en canales de pago (espacio publicitario de pago). Son variables controlables y medibles, ya que se han contratado por decisión de la empresa y con control sobre el gasto y el nivel de push asociado al mismo.
• Variables de contexto: Las variables de contexto son variables de entorno económico, social o empresarial que nos condicionan los resultados de ventas. Son variables no directamente vinculadas con push de comunicación, pero que hay que tener en cuenta en el análisis por su impacto en las ventas.

Factores que afectan a la calidad del modelo

Hay varios factores que afectan a la calidad del modelo. Obviamente, la calidad de los datos recolectados: garbage in, garbage out. El modelo no hace un check sobre la calidad de los datos. Asume que todos los datos son correctos. Si hay errores en la recolección de datos, estos se trasladan al modelo, invalidando las conclusiones que se puedan deducir del mismo.

• La capilaridad de datos es fundamental: mejor poder disponer de datos semanales que mensuales. E incluso mejor si podemos disponer de datos diarios en vez de semanales.
• Los patrones de los datos de entrada al modelo también afectan al mismo: es mejor disponer de datos “no planos”, es decir que tengan oscilaciones, curvas, saltos y patrones irregulares.

La IA Causal y el Futuro del MMM

En el último año, en los círculos especializados en marketing digital y tecnología hay un tema que copa las conversaciones, e incluso los titulares: el fin de las cookies de terceros. Google ha decidido eliminar estas cookies de su explorador Chrome y como consecuencia el panorama digital, tal y como lo conocemos, va a sufrir algunos cambios. Uno de los cambios afecta directamente a la obtención de información por terceros (plataformas MadTech) y por tanto se requieren cambios en diferentes sistemas de medición del comportamiento del usuario, especialmente en los modelos de atribución.

La IA Causal representa un avance significativo en el Marketing Mix Modeling, ofreciendo una comprensión más profunda y precisa de las relaciones causales. Esto permite a las empresas optimizar sus estrategias de marketing de manera más efectiva, asegurando un uso eficiente de los recursos y un mayor retorno de inversión.

La IA Causal se centra en identificar y entender las relaciones de causa y efecto dentro de los datos. Según Judea Pearl, pionero en el campo de la causalidad, «la falta de entendimiento de las relaciones causales es quizás el mayor obstáculo para dotar a las máquinas de inteligencia a nivel humano». Los enfoques tradicionales de MMM a menudo se basan en modelos estadísticos que identifican correlaciones entre variables de marketing (como gasto publicitario) y resultados (como ventas). Sin embargo, estos modelos pueden inducir a errores al confundir correlación con causalidad. La IA Causal aborda estas limitaciones identificando directamente las relaciones causales, eliminando sesgos y factores confusos.

Los grafos causales son una poderosa herramienta dentro del conjunto de herramientas de Causal AI, ideales para desentrañar causas y correlaciones. Por ejemplo, el gasto en PPC (búsqueda pagada) puede tener un efecto negativo en SEO (búsqueda orgánica). Cuanto más se invierte en PPC, menos clics se obtienen en SEO debido a un confusor importante: la demanda. De manera similar, el gasto en redes sociales aumenta los clics sociales, pero también puede influir indirectamente en otros canales, como PPC y SEO, a través de un efecto halo.

La IA Causal permite a las empresas determinar el impacto real de cada canal de marketing. Al comprender las verdaderas relaciones causales, las empresas pueden optimizar sus presupuestos de marketing asignando recursos a los canales y estrategias que tienen el mayor impacto causal en los resultados comerciales. La IA Causal permite la simulación de diferentes escenarios de marketing antes de su implementación.

Los modelos de IA Causal son altamente explicables, proporcionando razones claras y detalladas sobre por qué y cómo una estrategia de marketing afecta los resultados. Al enfocarse en las relaciones causales, la IA Causal proporciona una comprensión más precisa de cómo las diversas actividades de marketing influyen en los resultados comerciales.

La identificación de relaciones causales verdaderas ayuda a mitigar los sesgos que pueden estar presentes en los modelos tradicionales basados en correlaciones. La IA Causal puede adaptarse a nuevos datos y circunstancias, lo que la hace robusta ante cambios en el mercado o en las estrategias de marketing. La capacidad de realizar análisis contrafactuales y simulaciones permite a las empresas tomar decisiones más informadas y basadas en evidencia.

¿Cuándo es útil el Marketing Modeling Mix?

• Creciente complejidad de la combinación de acciones marketing: A medida que tu empresa crece, también lo hace el número de canales que utilizas. Puede resultar difícil entender el creciente volumen y complejidad de su combinación de medios.
• Empieza a invertir más de 25.000 euros al mes en publicidad: MMM es útil cuando existe una gran complejidad en tu mix de marketing, que suele obtenerse cuando se invierte más de 25.000 euros/mes en publicidad. Si actualmente estás invirtiendo menos que esto, pero ves que hay problemas en tus mediciones, busca un software de atribución Multitouch que pueda ayudarte a medir tu campaña digitalmente.
• Identificar lagunas de rendimiento en las campañas de marketing: Si observas que tus esfuerzos de marketing no están dando los resultados deseados, es hora de reevaluar tu estrategia.
• Expansión a nuevos mercados o líneas de productos: Al aventurarte en nuevos mercados o lanzar nuevos productos, es crucial contar con una estrategia de marketing sólida.

Ejemplo de resultados del modelo MMM

La solución de RobynMMM finaliza con la generación de los resultados del modelo. Vamos a mostrar los diferentes resultados que Robyn muestra:

• Curva de ventas ajustada (modelizada) a la curva de ventas observada (real): Es el punto de partida del modelo: si un modelo no ajusta bien la evolución de la variable a modelizar (ventas), entonces no es un buen modelo y no necesitamos profundizar más.

El ajuste del modelo a la curva real se mide por la distancia en cada punto (momento del tiempo) entre el valor de las ventas modelizadas (teóricas, resultado del modelo) con las ventas reales observadas. El ejemplo abajo muestra un escenario donde, sin incremento de inversión total, el modelo arroja el reparto óptimo de inversión por canales (optimized spend share) en comparación con el reparto real de presupuesto (initial spend share).

• Detección de patrones temporales en ventas: Uno de los outputs del modelo es la desagregación de la curva de ventas en diferentes capas de patrones temporales. Componente a componente, se analiza su peso a la contribución total de ventas. Ello permite ver el peso relativo de las palancas de paid media respecto las variables más orgánicas, y ver el peso de la tendencia de ventas como inercia del negocio separada del posible empujón de comunicación pagado u orgánico.

Tabla resumen de los componentes del MMM